0
過去幾年里，“輕地圖”、“重感知”乃至“無圖”已成為車企宣傳的高頻詞，這是否預示著圖商的傳統角色正面臨被邊緣化的危機？
在今年的騰訊全球數字生態大會上，騰訊地圖副總裁張少宇給出了一個截然不同的觀察：“市場對地圖的需求非但沒有收斂，反而因AI的深度介入而變得更加多元和動態。”
今年，騰訊正式發布智能駕駛地圖9.0。它不再滿足于做一份靜態的“數字路書”，而是要成為一個能深度參與決策、與自動駕駛系統共同進化的“AI導航智能體”。
在騰訊地圖副總裁張少宇張少宇看來，智能駕駛不是“要不要圖”，而是“需要什么樣的圖”——是高精度底圖、云端動態圖層，還是融合了駕駛行為數據的“經驗圖層”？
騰訊地圖產品總經理陳志向雷峰網表示，9.0版本的最核心變化在于數據要素的豐富度和AI推理能力的提升。利用AI技術大幅提升了數據生產效率，使地圖數據更加貼近真實世界。同時，在播報等環節從規則驅動轉向模型推理驅動，對中長尾場景的處理更加自然流暢。
盡管行業一度流行“輕地圖”方案，但騰訊地圖認為，“精細化、實時化、服務化”加上“廣域覆蓋”是地圖技術發展的核心方向。
張少宇補充到，“一些推進L3的車企，反而重新提出對高精地圖的需求。智能駕駛對地圖的需求并未收斂，而是因場景分化——城市NOA需要廣域、鮮度；停車場導航需要精細化建模；而“駕駛經驗圖層”則依賴軌跡數據的AI挖掘。”
目前，騰訊智駕地圖已覆蓋全國高速和360個城市道路，擁有40億知識圖譜、8000萬 POI、1300萬道路數據，并覆蓋227萬個停車位。騰訊的策略不再是提供單一規格的產品，而是打造一個包含車端圖、云端圖、運營圖層乃至原始訓練數據的“工具箱”，以應對不同客戶的差異化需求。
以下是《新智駕》等與騰訊地圖副總裁張少宇和騰訊地圖產品總經理陳志的對話，內容經編輯：
問：騰訊智駕地圖9.0被定義為一個“懂交流、會思考的AI導航智能體”，在座艙和自動駕駛兩大板塊的升級中，它具體充當什么角色？與車企目前重點宣傳的端到端大模型、VLA大模型之間是什么樣的關系？
陳志：實際上，車企在使用大模型時會很自然地分成座艙和智駕兩個相對獨立的使用領域。在座艙領域，車企會部署一個中控大模型，用來處理用戶在座艙場景下的所有需求。而對于騰訊地圖來說，我們打造的智能體主要專注于導航和LBS領域，解決用戶在這個特定領域的需求。
這兩個智能體之間存在明顯的協作關系。一般來說，用戶的中控入口還是以車企的座艙大模型為主入口，當座艙大模型識別到用戶有地圖或導航領域的意圖時，會把這些信息傳遞給騰訊的導航智能體，由我們來提供專業服務。這是一種分工協作的模式。
至于您剛才提到的VLA、端到端大模型，它們更多是應用在智駕領域的。智駕領域會有一個“司機大模型”，這個領域與騰訊地圖智能體的關聯度相對較弱，更多的是使用騰訊智能駕駛地圖的數據能力，包括靜態數據和動態數據，來提升整體智能駕駛的體驗。
問：騰訊地圖在智能駕駛領域已經和不少車企、智駕供應商建立了合作。面對這些不同類型的合作對象，他們的合作側重點是否有明顯差異？能否為我們舉一個具體的合作案例，說明騰訊智駕地圖是如何嵌入到對方的研發體系中的？
張少宇：我們現在合作的對象確實非常多，覆蓋了行業主流的車企和智駕供應商。
我們觀察到，不同的合作對象在自動駕駛領域所處的階段確實存在明顯差異——有的合作伙伴已經進行了非常深入的投入，形成了體系化的解決方案，整體水平接近國際頭部企業；也有的合作伙伴還處于相對初期的探索階段。
針對這種差異性，我們提供了不同層級的解決方案。首先是最基礎的車端自動駕駛所需的地圖數據服務；其次是云端的地圖服務，包括運營圖層等增值服務；更深度的合作還會涉及到原始訓練數據和支持自動駕駛能力提升的工具鏈。這些都是為了幫助合作伙伴加速自動駕駛技術的研發和應用。
我舉一個具體的例子。傳統的自動駕駛方案只需要在車端預置一份地圖數據就可以了，但現在我們發現需求發生了明顯變化。
比如，導航中常見的“前方路口右拐”這樣的引導信息，在過去的自動駕駛圖里是不需要的，但現在越來越多的自動駕駛方案開始需要這類原本為人類駕駛員設計的信息。這種需求變化就促使我們提供更加動態的、面向服務的解決方案。
問：當前行業中有不少車企和智駕供應商都在強調“輕地圖”或“無圖”的技術方案，特別是端到端、VLA等大模型方案頗為流行。站在騰訊地圖的產業視角，您更認可什么樣的技術發展路線？
張少宇：這確實是個值得深入探討的問題。回顧行業發展歷程，在2019-2020年期間，高精地圖為自動駕駛服務似乎沒有太多爭議。但到了2021-2025年，特別是今年，我們看到的是一個多種技術路線并存的混用狀態。
從實際觀察來看，技術發展呈現出幾個明顯趨勢：首先是追求更廣域的覆蓋，不再局限于局部區域；
其次是對信息實時性的要求已經超過了對精度的要求；
第三是對圖層定制化的需求越來越多樣化。我們發現，很多自動駕駛公司開始需要融合導航域的信息，這與VLA等技術的發展密切相關。
在我看來，“精細化、實時化、服務化”加上“廣域覆蓋”是地圖技術發展的核心方向。實時信息包括交通事故、道路施工等動態信息都會成為標配。每種技術路線都有其適用場景，關鍵是看能否滿足實際需求。
問：導航智能體目前處于什么樣的發展階段？相比去年發布的8.0版本，9.0版本在底層邏輯上發生了哪些質的變化？
陳志：導航AI或者說導航智能體，嚴格意義上還沒有像自動駕駛那樣清晰的L1-L5分級標準，它更多處于一個持續演進的狀態。但從實際體驗來看，隨著基礎大模型能力的進化，智能體的“聰明”程度確實在快速提升。
9.0版本相比8.0的突破主要體現在三個層面：首先在路線智能化選擇方面，我們以前會給用戶多個選項讓其自主選擇，現在則能結合用戶個性化需求和實時路況，更主動地幫助用戶做出決策；
其次在播報引導方面，我們打破了傳統的路口播報模式，引入更多語義化表達，比如“前方麥當勞右拐”這樣更符合人類思維習慣的指引；第三在行程管理方面，實現了服務的連貫化，用戶只需表達需求，系統就能自動完成路線規劃和服務銜接。
從技術底層來看，最核心的變化體現在數據要素的豐富度和AI推理能力的提升。我們利用AI技術大幅提升了數據生產效率，使地圖數據更加貼近真實世界。
同時，在播報等環節從規則驅動轉向模型推理驅動，對中長尾場景的處理更加自然流暢。
問：隨著AI與地圖融合程度的不斷加深，從產業發展的角度來看，下一代地圖技術可能會朝著哪些方向進化？會有哪些當前可能還意想不到的創新場景出現？
張少宇：從地圖技術發展的本質來看，我們實際上是在對真實世界進行數字化重構，這個過程中既包括時空信息的數字化，也包括與互聯網上已有數字化信息的關聯。AI技術正在這個過程中發揮越來越重要的作用。
我認為主要進化方向有三個：首先是地圖生產速度的飛躍，借助AI和邊緣計算能力，整個數字化的過程會變得越來越快；其次是地圖會更加“懂”用戶，能夠理解用戶的駕駛習慣和偏好；第三是連接范圍會不斷擴大，地圖將不再是孤立的導航工具，而是與車輛狀態、周邊服務等形成有機整體。
未來的地圖可能會實時感知車輛的電量狀態，并結合周邊充電站的排隊情況、價格因素等，為用戶提供真正智能的充電規劃。這種深度協同的服務模式，將會創造很多新的用戶體驗。
問：關于L3級自動駕駛，業內預計相關標準可能在今年第四季度推出。如果L3真正落地，對地圖的需求會產生哪些變化？
張少宇：L3在自動駕駛領域確實有相對清晰的功能定義，但具體實現路徑卻因廠商而異。我們看到，有些瞄準L3的自動駕駛公司提出了對高精地圖的強烈需求，而另一些公司則認為基礎導航圖就能滿足需求。
這說明，雖然L3時代正在到來，但對地圖的需求并沒有收斂到某種特定規格。地圖需求仍然與各家的具體技術方案緊密相關。我們需要做的是保持技術靈活性，滿足不同類型的需求。
問：騰訊作為圖商，與其他競爭對手相比，最核心的差異化優勢體現在哪些方面？
陳志：首先，高質量、高鮮度的地圖數據是基礎。在這個基礎上，我們的差異化主要體現在兩個方面：一是靈活性和開放性，我們能夠提供工具讓車企構建符合自身需求的定制化圖層；二是騰訊生態的獨特優勢，比如我們可以通過微信支付等生態數據實時感知商鋪營業狀態，這種能力是傳統圖商難以企及的。
以POI數據為例，傳統模式需要依靠人工巡檢或用戶反饋來更新狀態，而我們可以通過生態優勢實現近乎實時的狀態更新，確保數據的準確性和鮮度。
問：當前行業也在關注機器人地圖市場，從地圖技術的角度來看，汽車地圖與機器人地圖之間是遞進關系嗎？騰訊在這方面有何布局？
張少宇：我們認為機器人時代已經來臨，這兩者更像是并行發展的關系，會相互促進技術進步。傳統的汽車地圖主要以路網為骨干，而機器人需要的是更加泛化的可行走區域地圖，包括樓梯、草坪、廣場等多樣化場景。
這種差異對現有地圖技術提出了挑戰。我們正在與機器人公司開展合作探索，比如最近的機器狗項目。這要求我們突破傳統路網地圖的表達方式，建立更加泛化的地圖構建能力。
問：在情感化設計方面，騰訊地圖有哪些具體的技術突破？如何讓AI的交互更加擬人化？
陳志：情感化設計確實是我們重點投入的方向。首先，地圖相比其他應用有個天然優勢——我們對用戶的位置和場景有精準感知。比如在擁堵場景下，我們不僅能提供繞行方案，還會通過安慰性話術緩解用戶焦慮。
更重要的是，我們正在將騰訊豐富的IP資源融入導航體驗。比如引入《王者榮耀》角色妲己的語音播報，不僅是聲音的模仿，更是將其人格特質、表達方式深度融入，讓用戶感受到真正的人格化交互。
問：在定義導航智能體的功能邊界時，騰訊是如何把握“有所為有所不為”的原則的？
陳志：這個問題涉及產品定位的核心思考。我們始終圍繞“為用戶提供高效、安全、安心和愉悅的出行體驗”這一價值主張來規劃功能邊界。具體來說，導航智能體會嚴格限定在出行、導航和智駕相關領域。
比如，我們不會讓導航智能體去執行點歌這樣的泛娛樂功能，但可能會在用戶經過海邊公路時，智能推薦適合場景的音樂。這種基于場景的服務延伸，才是我們關注的重點。
問：在實際落地過程中，如何平衡云端大模型與端側模型的計算資源分配？不同類型的車企對此是否有不同的偏好？
陳志：這確實是個很實際的問題。我們發現，大部分主機廠傾向于自己集成端側大模型，不希望每個應用都獨立部署端側模型。因此，我們主要采用“云+端”協同的方案。
具體來說，如果主機廠的座艙算力分配比較有限，我們主要以云端模型提供服務；對于需要快速響應的場景，我們會對接主機廠的端側大模型能力。不同的廠商確實存在差異化需求，我們需要靈活應對。
問：行業中出現“無圖”方案的聲音時，騰訊內部是如何看待這一趨勢的？這對業務發展產生了哪些實際影響？
張少宇：當新的技術概念出現時，我們始終保持開放和關注的態度，但更重要的是深入理解客戶的真實需求。我們主動與各大車企進行技術交流，拋開概念炒作，聚焦在實際場景中到底需要什么樣的地圖能力。
經過深入交流后，我們發現實際情況與表面討論存在差異——不是“無圖”，比如今年以及去年的下半年，我們在和車企聊的時候，了解到的是他們在訓練過程當中還需要圖，只是對地圖提出了更高、更復雜的要求。雷峰網(公眾號：雷峰網)
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
